类Sora模型到底懂不懂物理?字节完成系统性实验证明
Sora爆火以来,模明“视频生成模型到底懂不懂物理规律”受到热议,型到系统性实但业界一直未有研究证实。底懂近日,不懂字节跳动豆包大模型团队公布最新论文,物理完成研究历时8个月,字节围绕“视频生成模型距离世界模型有多远”首次在业界完成系统性实验并给出明确结论:视频生成模型可以记忆训练案例,验证但暂时还无法真正理解物理规律,模明做到“举一反三”。型到系统性实
图灵奖得主、底懂Meta首席AI科学家杨立昆点赞并转发了该研究,不懂表示“结论不令人意外,物理完成但很高兴终于有人做了这个尝试!字节”
自OpenAI发布Sora模型以来,验证很多视频生成模型都会强调其生成结果对物理规律的模明遵循。豆包大模型视觉团队相关小组,对视频生成模型究竟能否从视觉数据中“发现”并“理解”物理定律感到好奇,决定深入研究。
历时8个月,该团队完成了业界首个系统性的实验研究。团队通过专门开发的物理引擎合成了匀速直接运动、小球碰撞、抛物线运动等经典物理场景的运动视频,用于训练基于主流DiT架构的视频生成模型。然后,通过检验模型后续生成的视频在运动和碰撞方面是否符合力学定律,判断模型是否真正理解了物理规律,并具有“世界模型”的潜力。
实验中设计的不同运动场景
豆包大模型团队的实验发现,即使遵循“Scaling Law”增大模型参数规模和数据量,模型依然无法抽象出一般物理规则,做到真正“理解”。
以最简单的匀速直线运动为例,当模型学习了不同速度下小球保持匀速直线运动的训练数据后,给定初始几帧,要求模型生成小球在训练集速度区间内匀速直线运动的视频,随着模型参数和训练数据量的增加,生成的视频逐渐更符合物理规律。
然而,当要求模型生成未曾见过的速度区间(即超出训练数据范围)的运动视频时,模型突然不再遵循物理规律,并且无论如何增加模型参数或训练数据,生成的结果都没有显著改进。这表明,视频生成模型无法真正理解物理规律,也无法将这些规律泛化应用到全新的场景中。
通过进一步的实验分析,研究团队得出结论,“生成新视频时,模型主要依赖对训练案例的记忆和匹配。视频生成模型就像一个只会‘抄作业’的学生,一旦遇到从未见过的场景,如不同大小、速度的物体相互作用,就会‘犯迷糊’,生成结果与物理规则不符。”
不过,研究中也有一个好消息:如果训练视频中所有概念和物体都是模型已熟悉的,此时加大训练视频的复杂度,比如组合增加物体间的物理交互,通过加大训练数据,模型对物理规律的遵循将越来越好。这一结果可为视频生成模型继续提升表现提供启发。
据了解,本研究两位核心一作都非常年轻,一位是95后,一位是00后,在豆包大模型团队专注视觉领域的基础研究工作。作者们一直对世界模型感兴趣,在8个月的探索中,他们阅读了大量物理学研究文献,也尝试从游戏中获得研发灵感,历经多次失败后,最终一步步确定研究思路和实验方法。
友链
外链
互链
Copyright © 2023 Powered by
六合彩图库源码【购买联系电报bc3979】AC彩票网站源码|六合彩源码|彩票搭建|新中原六合彩源码|【网站bc9797.com】六合彩论坛源码【联系飞机bc3979】
sitemap
-
文章
87
-
浏览
2822
-
获赞
962
热门推荐
-
Nike Court Tech Challenge 网球战靴下周发售,致敬阿加西
潮牌汇 / 潮流资讯 / Nike Court Tech Challenge 网球战靴下周发售,致敬阿加西2020年02月22日浏览:3650 日前,耐克推出一双全新与同事相处不合怎么办?与同事相处的技巧
与同事相处不合怎么办?与同事相处的技巧时间:2022-05-11 11:47:35 编辑:nvsheng 导读:与人相处是一门很大的学问,如果才能和同事相处的融洽呢?如果和同事相处不合怎么办?今天古人为什么会喜欢在门上贴门神?其有何意义?
源于远古时期的庶物崇拜,殷代天子祭五祀,门既为其一,周代祭五祀于宫「门」- 每日每时必经之处, 自然加以重视,祭祀对于门神以形像化及人格化。相传为天神,奉黄帝之命统辖人间鬼怪。故逢农历十二月三十晚,用小伙偷窥美女私生活被抓全过程 女孩如何防止被偷窥?
小伙偷窥美女私生活被抓全过程 女孩如何防止被偷窥?时间:2022-05-10 13:10:20 编辑:nvsheng 导读:18岁小伙看到邻居美女长的很漂亮,无意中又看到了楼下小夫妻隐私生活,结果佳节至保食安 浙江宁波开展月饼流通领域检查
中国消费者报杭州讯记者郑铁峰)随着中秋佳节的脚步临近,节日氛围逐渐浓厚,超市、酒店等也在如火如荼地展开各式月饼的销售活动。如今的月饼口味多样、造型各异,创新形式的月饼层出不穷,例如冰皮月饼、流心月饼、太阳花有什么作用呢 太阳花生长什么环境里呢
太阳花有什么作用呢 太阳花生长什么环境里呢时间:2022-05-11 11:33:42 编辑:nvsheng 导读:大家在生活中应该都听说过太阳花吧,但是你了解太阳花吗?今天小编就和大家一起来了解呼伦贝尔空管站技术保障部落实要求持续做好安全工作
通讯员:陈霄)近期,呼伦贝尔空管站技术保障部认真落实上级要求持续做好安全工作。具体举措主要有四项:一是组织进行了《民航局月度安全运行形势分析会通报》, 强化学习冯正霖局长提出的“六个要起来奶香芝士的食用方法 3种奶香芝士的吃法
奶香芝士的食用方法 3种奶香芝士的吃法时间:2022-05-11 11:39:22 编辑:nvsheng 导读:如果你觉得芝士都只有香甜柔软的口感,那就太不了解芝士大兄弟了。从口感的角度来说,可以奖金到手?曝国足战胜越南可获600万 延续40强赛分配方案
奖金到手?曝国足战胜越南可获600万 延续40强赛分配方案_比赛www.ty42.com 日期:2021-10-08 09:31:00| 评论(已有305867条评论)分手后复合的概率是多少?分手后怎么复合?
分手后复合的概率是多少?分手后怎么复合?时间:2022-05-10 13:08:30 编辑:nvsheng 导读:你知道分手之后复合的概率是多少吗?你知道情侣间的十大超准定律是什么吗?你知道分手之勿忘我是怎么样的植物呢 勿忘我有什么作用呢
勿忘我是怎么样的植物呢 勿忘我有什么作用呢时间:2022-05-11 11:39:35 编辑:nvsheng 导读:大家在生活中应该都听说过勿忘我这种植物吧,但是你们了解这种植物吗?今天小编就和大迷迭香是一种什么花呢 迷迭香有什么作用呢
迷迭香是一种什么花呢 迷迭香有什么作用呢时间:2022-05-10 13:08:11 编辑:nvsheng 导读:大家在生活中应该都听说过迷迭香吧,但是你了解迷迭香吗?今天小编就和大家一起来了解一潮牌BBC x 锐步全新联名 Answer V 鞋款即将登陆
潮牌汇 / 潮流资讯 / 潮牌BBC x 锐步全新联名 Answer V 鞋款即将登陆2020年02月21日浏览:4014 由菲董主理的潮流品牌 Billionaire卷腹会不会驼背 姿势要正确
卷腹会不会驼背 姿势要正确时间:2022-05-11 11:41:06 编辑:nvsheng 导读:卷腹在正常情况下是不会导致驼背的,大家在做卷腹的时候姿势一定要正确,动作变形的话长时间下去确实是乌鲁木齐国际机场分公司安检员真情服务获旅客锦旗相赠
通讯员 姜秀琴 陈惠)近日,乌鲁木齐国际机场分公司安全检查总站特勤检查室收到快递寄来的一个未命名的包裹,打开后发现竟是一面锦旗,锦旗上赫然写着“拾金不昧、品德高尚”八个大字。